CRC (cyclic redundancy check)-aided decoding schemes are proposed to improve the performance of polar codes. A unified description of successive cancellation decoding and its improved version with list or stack is provided and the CRC-aided successive cancellation list/stack (CA-SCL/SCS) decoding schemes are proposed. Simulation results in binary-input additive white Gaussian noise channel (BI-AWGNC) show that CA-SCL/SCS can provide significant gain of 0.5 dB over the turbo codes used in 3GPP standard with code rate 1/2 and code length 1024 at the block error probability (BLER) of 10 -4 . Moreover, the time complexity of CA-SCS decoder is much lower than that of turbo decoder and can be close to that of successive cancellation (SC) decoder in the high SNR regime.

In this paper, pattern division multiple access (PDMA), which is a novel nonorthogonal multiple access scheme, is proposed for fifth-generation (5G) radio networks. The PDMA pattern defines the mapping of transmitted data to a resource group that can consist of time, frequency, and spatial resources or any combination of these resources. The pattern is introduced to differentiate signals of users sharing the same resources, and the pattern is designed with disparate diversity order and sparsity so that PDMA can take the advantage of the joint design of transmitter and receiver to improve system performance while maintaining detection complexity to a reasonable level. System level simulation results show that PDMA can support six times simultaneous connections than that of conventional and at least 30% improvement in spectrum efficiency over orthogonal frequency division multiple access.

A successive cancellation stack (SCS) decoding algorithm is proposed to improve the performance of polar codes. Unlike the conventional successive cancellation decoder which determines the bits successively with a local optimal strategy, the SCS algorithm stores a number of candidate partial paths in an ordered stack and tries to find the global optimal estimation by searching along the best path in the stack. Simulation results in the binary-input additive white Gaussian noise channel show that the SCS algorithm has the same performance as the successive cancellation list (SCL) algorithm and can approach that of the maximum likelihood algorithm. Moreover, the time complexity of the SCS decoder is much lower than that of the SCL and can be very close to that of the SC in the high SNR regime.

As improved versions of successive cancellation (SC) decoding algorithm, successive cancellation list (SCL) decoding and successive cancellation stack (SCS) decoding are used to improve the finite-length performance of polar codes. Unified descriptions of SC, SCL and SCS decoding algorithms are given as path searching procedures on the code tree of polar codes. Combining the ideas of SCL and SCS, a new decoding algorithm named successive cancellation hybrid (SCH) is proposed, which can achieve a better trade-off between computational complexity and space complexity. Further, to reduce the complexity, a pruning technique is proposed to avoid unnecessary path searching operations. Performance and complexity analysis based on simulations show that, with proper configurations, all the three improved successive cancellation (ISC) decoding algorithms can have a performance very close to that of maximum-likelihood (ML) decoding with acceptable complexity. Moreover, with the help of the proposed pruning technique, the complexities of ISC decoders can be very close to that of SC decoder in the moderate and high signal-to-noise ratio (SNR) regime.

Polar codes represent an emerging class of error-correcting codes with power to approach the capacity of a discrete memoryless channel. This overview article aims to illustrate its principle, generation and decoding techniques. Unlike the traditional capacity-approaching coding strategy that tries to make codes as random as possible, the polar codes follow a different philosophy, also originated by Shannon, by creating a jointly typical set. Channel polarization, a concept central to polar codes, is intuitively elaborated by a Matthew effect in the digital world, followed by a detailed overview of construction methods for polar encoding. The butterfly structure of polar codes introduces correlation among source bits, justifying the use of the SC algorithm for efficient decoding. The SC decoding technique is investigated from the conceptual and practical viewpoints. State-of-the-art decoding algorithms, such as the BP and some generalized SC decoding, are also explained in a broad framework. Simulation results show that the performance of polar codes concatenated with CRC codes can outperform that of turbo or LDPC codes. Some promising research directions in practical scenarios are also discussed in the end.

Abstract In this paper, a multiple-input multiple-output detection structure called soft information acceleration (SIA) is proposed, which is suitable for simplifying the two-stage subspace marginalization with interference suppression (SUMIS) into one stage. The proposed one-stage method outperforms the conventional two-stage SUMIS when the subspace size is large enough. The performance advantage of the proposed SUMIS-SIA mainly results from the average number of soft information updates being equal to the ’subspace size,’ instead of only once during the two-stage SUMIS detection. Thus, the SUMIS-SIA achieves a better trade-off between performance and complexity. To further reduce the complexity, a channel-shortening method based on subspace suppression is proposed. Simulation results show that the proposed channel-shortening one-stage method also outperforms SUMIS, which benefits from SIA.

Information theory and machine learning are inextricably linked and have even been referred to as "two sides of the same coin." One particularly elegant connection is the essential equivalence between probabilistic generative modeling and data compression or transmission. In this article, we reveal the dual-functionality of deep generative models that reshapes both data compression for efficiency and transmission error concealment for resiliency. We present how the contextual predictive capabilities of powerful generative models can be well positioned to be strong compressors and estimators. In this sense, we advocate for viewing the deep generative modeling problem through the lens of end-to-end communications, and evaluating the compression and error restoration capabilities of foundation generative models. We show that the kernel of many large generative models is a powerful predictor that can capture complex relationships among semantic latent variables, and the communication viewpoints provide novel insights into semantic feature tokenization, contextual learning, and usage of deep generative models. In summary, our article highlights the essential connections of generative AI to source and channel coding techniques, and motivates researchers to make further explorations in this emerging topic.